基于K-Means的慕课用户行为分析研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 慕课的研究现状 | 第12-13页 |
| 1.2.2 基于聚类的用户行为分析研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文结构 | 第15-17页 |
| 2 相关理论研究 | 第17-25页 |
| 2.1 慕课用户行为分析简介 | 第17-19页 |
| 2.1.1 慕课用户行为分析的内容 | 第17-18页 |
| 2.1.2 慕课用户行为分析的方法 | 第18-19页 |
| 2.1.3 慕课用户行为分析的应用 | 第19页 |
| 2.2 聚类算法的选择 | 第19-21页 |
| 2.2.1 聚类算法的分类 | 第19-20页 |
| 2.2.2 聚类算法的性能要求 | 第20-21页 |
| 2.3 K-Means聚类算法 | 第21-23页 |
| 2.3.1 K-Means算法的优缺点 | 第21-22页 |
| 2.3.2 K-Means算法的流程 | 第22页 |
| 2.3.3 K-Means算法的优化策略 | 第22-23页 |
| 2.4 预测模型 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 慕课用户行为初步分析 | 第25-35页 |
| 3.1 用户数据来源 | 第25-26页 |
| 3.2 Canvas开放数据集 | 第26页 |
| 3.3 慕课用户行为初步分析 | 第26-33页 |
| 3.3.1 用户基本信息分析 | 第27-29页 |
| 3.3.2 用户类型分析 | 第29-30页 |
| 3.3.3 影响成绩的因素分析 | 第30-33页 |
| 3.4 初步分析结论 | 第33页 |
| 3.5 本章小结 | 第33-35页 |
| 4 K-Means特征选择算法的研究与优化 | 第35-47页 |
| 4.1 一种特征选择方法 | 第35-37页 |
| 4.2 初始聚类中心的优化选取 | 第37-39页 |
| 4.3 均衡判别函数 | 第39页 |
| 4.4 优化算法的描述 | 第39-41页 |
| 4.5 仿真实验及结果分析 | 第41-45页 |
| 4.6 本章小结 | 第45-47页 |
| 5 基于K-Means特征选择的成绩预测模型 | 第47-60页 |
| 5.1 基于K-Means特征选择的成绩预测模型 | 第47-52页 |
| 5.1.1 预测模型的输入输出变量 | 第47-48页 |
| 5.1.2 构建预测模型 | 第48-51页 |
| 5.1.3 预测模型结构 | 第51-52页 |
| 5.1.4 预测模型的动态更新 | 第52页 |
| 5.2 仿真实验及结果分析 | 第52-56页 |
| 5.3 基于成绩预测模型的模块设计 | 第56-59页 |
| 5.3.1 总体功能设计 | 第56页 |
| 5.3.2 开发环境 | 第56-57页 |
| 5.3.3 成绩预测模块的设计及实现 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 研究总结 | 第60页 |
| 6.2 研究展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |
